diseño de una red neuronal artificial para la
TRANSCRIPT
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO
Diseño de una red neuronal artificial para la
identificación de dientes de ajo y su aplicación
en el proceso automatizado de siembra
TESIS Que para obtener el título de
Ingeniero Mecatrónico
Facultad de Ingeniería
P R E S E N T A
Francisco Muñoz Bustos
Ciudad Universitaria, Cd. Mx., 2017
DIRECTOR DE TESIS
Ing. Juan Manuel Gómez González
Agradecimientos Quiero agradecer principalmente a mis padres Francisco y Marisela a
mis hermanos Carolina, Mariana y David, a mis sobrinos Héctor
Emiliano, Bruno Alejandro y Mena Muñoz la pequeña de la casa, por el
apoyo brindado a lo largo de la carrera y sobretodo en el trayecto de la
creación de este documento, fueron valiosísimos sus palabras de aliento,
las observaciones y las sonrisas otorgadas, en los buenos y malos
momentos.
Este año ha sido algo tortuoso por todas las cosas que han pasado, pero
con el apoyo de la familia todo se puede, siempre hay una luz al final del
túnel.
Agradecer a mis amigos Paul, Anita, Ruth, Diego, Lalito, Mauricio, Yiss,
Carlos, Kevin, Marilú, Juanito, Licha, Susy y Vane, ellos al igual que mi
familia me apoyaron en todo momento.
A mis profesores que van a lo largo de mi trayectoria escolar, que me
han enseñado que el estudio es un estilo de vida y que, con esfuerzo y
trabajo duro cualquier objetivo, por más difícil que éste sea es posible.
Al ingeniero Juan Manuel, por aguantarme como tesista, apoyarme a lo
largo de los últimos semestres de la carrera, por sus observaciones y
correcciones de este trabajo de grado.
Al doctor Jesús Manuel Álvarez López director suplente, por sus sabias
palabras y observaciones las cuales hicieron mejorar este documento.
A mi alma mater la UNAM por ser, además de una de las mejores
universidades en el mundo un espacio donde cosas maravillosas
ocurren.
En fin, muchas gracias a todas las personas que de una u otra manera
me han dejado algo de enseñanza en este sueño loco llamado vida.
In memoriam,
Epifanía Gómez Gómez
Karina Partida Herrera
I Índice General
Índice General
Índice de figuras
III
Índice de tablas VI
Capítulo 1 Introducción 1.1 Planteamiento del problema 1
1.2 Alcances 1
1.3 Justificación del tema 1
1.4 Objetivos 8
1.4.1 General 8
1.4.2 Específicos 8
1.5 Estado del Arte 8
Capítulo 2 Marco Teórico 2.1 Marco histórico 11
2.2 Estructura de una Red Neuronal Artificial 13
2.2.1 Modelo general de una neurona o elemento procesador 13
2.2.2 Funciones de activación 15
2.2.3 Elemento procesador con entradas múltiples 17
2.3 Redes Monocapa 18
2.3.1 Perceptrón 19
2.3.2 ADALINE 20
2.4 Redes Multicapa 21
2.5 Reglas de Entrenamiento 22
2.5.1 Regla de Windrow-Hoff 23
2.5.2 Retropropagación 25
Capítulo 3 Diseño de la Red Neuronal Artificial y
descripción del sistema de identificación 3.1 Parámetros de diseño de la Red Neuronal Artificial 32
3.2 Descripción del sistema de identificación 36
3.2.1 Sistema de visión artificial 36
3.2.2 Sistema de orientación 37
3.2.3 Sistema de control 38
3.3 Diseño de la interfaz gráfica 41
II Índice General
Capítulo 4 Materiales y métodos 4.1 Materiales 44
4.2 Métodos 47
Capítulo 5 Resultados y análisis de resultados 5.1 Resultados 48
5.1.1 Primer experimento 48
5.1.2 Segundo experimento 49
5.1.3 Tercer experimento 51
5.2 Análisis de resultados 53
Capítulo 6 Conclusiones y trabajo a futuro 6.1 Conclusiones 54
6.2 Trabajo a futuro 55
Bibliografía 56
Anexos Anexo A Manual de usuario 59 Anexo B Base de entrenamiento de la RNA 64
III Índice General
Índice de Figuras Figura 1.1 Principales estados productores de ajo en México en el
año 2016.
2
Figura 1.2 Siembra de ajo de manera manual. 3
Figura 1.3 Máquina sembradora de ajos por medio de cangilones. 4
Figura 1.4 Máquina sembradora de dientes de ajo por medio de
pinzas.
5
Figura 1.5 Deformación del bulbo por competencia. 5
Figura 1.6 Corrección manual de una plantadora mecánica. 6
Figura 1.7 Deformación de una planta de ajo por una mala colocación de la semilla.
7
Figura 1.8 Detección del ápice del ajo. 9
Figura 1.9 Diagrama de bloques. 9
Figura 2.1 Estructura de una neurona biológica. 10
Figura 2.2 Modelo general de un elemento procesador. 14
Figura 2.3 Función de activación Escalón. 15
Figura 2.4 Función de activación Lineal. 16
Figura 2.5 Función de activación logarítmica sigmoidal. 16
Figura 2.6 Elemento procesador con múltiples entradas. 17
Figura 2.7 Representación de una red Monocapa. 18
Figura 2.8 Esquema general de un Perceptrón. 20
Figura 2.9 Red ADALINE. 20
Figura 2.10 Red Multicapa. 21
Figura 3.1 Parámetros de la Red Neuronal. 33
Figura 3.2 Salidas de la RNA dependiendo de las imágenes de
entrada.
33
Figura 3.3 Diagrama de bloques del programa de adquisición de la base de entrenamiento y base de prueba.
34
IV Índice General
Figura 3.4 Diagrama de bloques del entrenamiento de la RNA. 34
Figura 3.5 Gráfica del error cuadrático medio al momento de
entrenar la red.
35
Figura 3.6 Diagrama de bloques del programa para medir la eficacia de la RNA.
35
Figura 3.7 Diagrama de bloques del programa de prueba del
sistema de orientación.
36
Figura 3.8 Cámara usada en el sistema de visión. 36
Figura 3.9 Modificación de la base de la cámara. 37
Figura 3.10 Lámparas LED infrarrojas. 37
Figura 3.11 Mecanismo de corredera del sistema de orientación. 37
Figura 3.12 Arduino UNO. 38
Figura 3.13 PCB del circuito usado. 39
Figura 3.14 Vista 3D de la PCB. 39
Figura 3.15a Vista frontal de la PCB. 39
Figura 3.15b Vista Trasera de la PCB. 39
Figura 3.16 Caja protectora del circuito. 40
Figura 3.17 Sistema para la identificación del ápice de un diente
de ajo.
40
Figura 3.18 Interfaz de inicio. 41
Figura 3.19 Mensaje de error mostrado al faltar algún valor en los
cuadros de texto.
41
Figura 3.20 Interfaz después de haber dado clic en el botón Inicio.
42
Figura 3.21 Interfaz después de detener el proceso. 42
Figura 3.22 Diagrama de bloques del sistema de identificación. 43
Figura 4.1 Ajos usados en las pruebas. 44
Figura 4.2 Materiales ocupados en el primer experimento. 45
V Índice General
Figura 4.3 Materiales ocupados en el segundo experimento. 45
Figura 4.4 Materiales ocupados en el experimento con la máquina
sembradora de dientes de ajo.
46
Figura 4.5 Bandeja usada durante el experimento de la máquina sembradora de diente de ajos.
46
Figura 5.1 a) Ajo con el ápice apuntando hacia la derecha. 48
Figura 5.1 b) Ajo identificado con el ápice apuntando hacia la izquierda.
48
Figura 5.1 c) Ajo no identificado. 49
Figura 5.1 d) Ajo identificado, aunque la imagen no esté bien
definida.
49
Figura 5.2 a) Casos 1 y 2 obtenidos en el segundo experimento. 50
Figura 5.2 b) Casos 3 y 4 obtenidos en el segundo experimento. 50
Figura 5.3 a) Resultados obtenidos. 51
Figura 5.3 b) Resultados obtenidos. 51
Figura 5.3 c) Resultados obtenidos. 52
Figura 5.3 d) Resultados obtenidos. 52
Figura 1 Interfaz de inicio del programa. 60
Figura 2 Paso 2.1. 61
Figura 3 Ventana de Sistema. 61
Figura 4 Administrador de dispositivos. 62
Figura 5 Mensaje de error dirigido al usuario. 62
Figura 6 Interfaz de la RNA. 63
Imágenes de entrenamiento RNA. 65
VI Índice General
Índice de tablas Tabla 3.1 Especificaciones de la RNA 32
Tabla 3.2 Parámetros de entrenamiento de la RNA 32
Tabla 3.3 Especificaciones de la cámara PerfectChoice 36
Tabla 5.1 Resultados obtenidos del primer experimento 48
Tabla 5.2 Resultados obtenidos del segundo experimento 49
Tabla 5.3 Resultados del tercer experimento 51
Capítulo 1 Introducción
1
Capítulo 1. Introducción
1.1 Planteamiento del problema
Identificar por medio de visión artificial el ápice de un diente de ajo y
orientarlo con el fin de automatizar su siembra en bandejas, utilizando
una máquina estacionaria.
1.2 Alcances
Los alcances del siguiente tema son el diseño de la Red Neuronal
Artificial para la identificación del ápice de dientes de ajo, probar la
eficacia de la misma y del sistema de orientación e implementarla en la
máquina estacionaria, cabe aclarar que el diseño mecánico del sistema
de orientación ya estaba propuesto por otro ingeniero que igual está
trabajando en el proyecto.
1.3 Justificación del tema
El ajo (Allium sativum L.), al igual que la cebolla (Allium cepa L.), es una
planta que tuvo su origen en el Asia central, sus propiedades
terapéuticas y usos se conocen desde hace más de 3000 años, aunque
algunos autores remiten su uso desde 4000 años antes de nuestra era.
En la actualidad es un producto valorado por su sabor y su uso en la
preparación de una infinidad de platillos, mientras que la investigación
continúa para descubrir y afinar su utilidad con fines medicinales.
Después de la cebolla, de la familia botánica de las Alliaceae, el ajo es el
segundo producto más importante por su uso en la alimentación. El
principal uso del ajo es como saborizante o condimento en la cocina
para preparar diversos platillos alrededor de del mundo, su principal
consumo es en fresco al utilizar los dientes o bulbillos, además se usa
deshidratado o procesado de diversas maneras.
A través de la historia de la humanidad el ajo ha sido motivo de
creencias sobre sus propiedades medicinales, además de sus atributos
mágico religiosos llegando a convertirse en uno de los recursos más
empleados en la herbolaría alrededor del mundo [1].
Capítulo 1 Introducción
2
En 2016 la Secretaría de Agricultura, Ganadería, Desarrollo Rural, Pesca
y Alimentación (SAGARPA) informó que la producción de este cultivo
aumentó en 28.9% respecto al 2015 [2].
Con base en estadísticas del Servicio de Información Agroalimentaria y
Pesquera (SIAP), la dependencia federal indicó que en 2016 la
producción de ajo alcanzó las 75 mil 266 toneladas, lo que representa
un volumen adicional de 17 mil 159 toneladas en relación a lo reportado
en 2015.
La SAGARPA explicó que este perenne se cultiva en 21 entidades del
país y los principales estados productores son Zacatecas, Guanajuato,
Puebla, Baja California y Sonora, estados que aportan el 87.1 por cierto
de la producción nacional.
Zacatecas produce 42 mil 340 toneladas, que equivalen al 56.3 por
ciento del total; Guanajuato, 12 mil 586 toneladas; Puebla, tres mil 969
toneladas; Baja California, tres mil 682 toneladas, Sonora, dos mil 969
toneladas y Veracruz con 666 toneladas.
Otras entidades que también producen este alimento son
Aguascalientes, Nuevo León, Oaxaca, Querétaro, Durango, San Luis
Potosí, Hidalgo, Guerrero, Jalisco, Tlaxcala, Baja California Sur, Coahuila
y Michoacán, entre otras [2].
Capítulo 1 Introducción
3
Figura 1.1 Principales estados productores de ajo en México en el año 2016
En la actualidad en el cultivo del ajo existen tres tipos de siembra [3]:
a) manual, b) mecánica y c) mixta. La plantación manual es la más
común en las zonas ajeras (Figura 1.2), está es una de las operaciones
más caras y limitantes del cultivo, junto con la recolección, debido a la
gran cantidad de mano especializada durante el proceso lo que eleva el
costo de producción.
Según García [4], la siembra manual es una labor que requiere mano de
obra con experiencia, para colocar la semilla a una profundidad y en una
posición adecuada, ya que de la calidad de la siembra y de la semilla
depende una buena germinación y desarrollo de la planta.
Cada trabajador se encarga de una línea colocando los dientes a
intervalos regulares según el marco de plantación. A la cintura se ata un
pequeño recipiente, una bolsa o paño doblado, donde almacena una
cantidad de bulbillos, que el responsable de la cuadrilla le va
suministrando.
La plantación manual no sólo es crítica por su costo, sino también por la
disponibilidad de mano de obra durante la época adecuada. Los
sistemas mecanizados por completo reducen el número de operarios a
dos: el tractorista y un peón o jornal.
Figura 1.2 Siembra de ajo de manera manual
El sistema de plantación mixta se basa en la utilización de un bastidor,
arrastrado por el tractor, donde los operarios se sitúan para colocar, de
forma manual, los dientes sobre el terreno [5]. Esta forma de trabajo no
es muy utilizada debido a que es necesaria una perfecta coordinación
entre los plantadores, para evitar continuas interrupciones de la
operación. En este sistema el operario, sentado en un asiento fijado al
Capítulo 1 Introducción
4
bastidor, coloca manualmente los dientes dispuestos con la "punta"
hacia arriba. Los bulbillos se encuentran almacenados en
compartimentos bien fijos al bastidor o bien atados al cuerpo del
plantador.
Las máquinas seguramente nunca van a imitar a una buena tarea
artesanal, sin embargo, la falta de mano de obra en tiempo y forma,
prácticamente obliga a ir buscando soluciones que tiendan a mecanizar
las diferentes operaciones, aunque se sacrifique precisión y
productividad del cultivo.
Algunos equipos por lo general son de alto costo de inversión inicial y
bajo costo operativo, sin embargo, por el hecho que solo son de uso
exclusivo a este cultivo, el costo de amortización es alto. Sólo como
ejemplo: adquirir una desgranadora/clasificadora de dientes, una
plantadora y una cosechadora de tamaños medianos implica el costo
aproximado de producción de 8 a 9 hectáreas, y el mismo debe ser
amortizado en un tiempo no inferior a 10 años [5].
Los altos costos, aunados a la falta de disponibilidad de mano de obra
calificada en los países desarrollados han impulsado la introducción de
equipos semiautomáticos y automáticos para mecanizar esta labor
pesada. Sin embargo, su desempeño, aunque satisfactorio, está por
debajo de los niveles de calidad logrados con la siembra manual, o por
sembradoras para otras semillas. La semilla del ajo es una de las más
difíciles desde el punto de vista de la mecanización de siembra, debido a
su forma, intervalo de variación en tamaño, y por su túnica y resina [3].
Como explica López et al [5], las máquinas de cangilones producen
graves daños en los dientes, tanto en el ingreso del cangilón como a la
salida en el tubo de descarga. Tienen dos tamaños de cangilones y es
recomendada solo para plantaciones con fines industriales (Figura 1.3).
Capítulo 1 Introducción
5
Figura 1.3 Máquina sembradora de ajos por medio de cangilones
Las máquinas de pinzas (intercambiables según el tamaño del diente),
exigen que la semilla esté bien clasificada por tamaños (Figura 1.4).
Figura 1.4 Máquina sembradora de dientes de ajo por medio de pinzas
Las máquinas neumáticas exigen que no haya catáfilas sueltas que
obture los orificios de los platos de distribución, requiere de la toma de
fuerza del tractor. Con el uso continuo manifiesta pérdidas de aire e
impide sostener dientes grandes. Es poco práctica para el cambio de
discos y costosa.
Todas ellas tienen problemas de distribución en la línea, ya sea por
excesos de plantación, que traen aparejados, faltas de uniformidad y
deformaciones en los bulbos por competencia (Figura 1.5).
Capítulo 1 Introducción
6
Figura 1.5 Deformación del bulbo por competencia
Para evitar estos problemas que afectan la calidad y rendimiento del
cultivo, se ha propuesto la combinación de la máquina plantadora con
personal que realiza la corrección mediante arreglo manual de la
separación de los dientes que han sido depositados en el suelo (Figura
1.6). Para cada línea de plantación se asigna un operario que, con un
vástago de madera, mueve aquellos dientes que han caído
excesivamente juntos.
Figura 1.6 Corrección manual de una plantadora mecánica
Los resultados de la experiencia mostraron que la eficiencia sin
corrección manual fue del 80% (porcentaje de distribución deseado), y
este se puede mejorar cuando se realiza la corrección manual al 90 %,
valores muy similares a una plantación manual. El arreglo manual
permite minimizar las pérdidas por bulbos deformes por alta densidad
[5].
Capítulo 1 Introducción
7
En la actualidad todavía no se ha resuelto el principal problema asociado
a este tipo de plantación: el posicionado de los dientes en el terreno [3].
Según López, et al [5], la plantación o siembra es la etapa de
mecanización más cuestionada por la posición de caída del diente en el
suelo y por la distribución, sin embargo, la eficiencia de los equipos
depende de varios factores, algunos propios de la máquina, otros
corresponden a la semilla y al manejo general del cultivo.
De acuerdo con resultados experimentales obtenidos en los Campos
Experimentales Zacatecas y Bajío del INIFAP, se ha demostrado que la
posición de la semilla al momento de la siembra afecta la calidad de la
planta y el rendimiento final del cultivo, por lo que, la semilla debe
colocarse con la parte apical hacia arriba para facilitar la germinación y
evitar la deformación de los bulbos (Figura 1.7), [6,7].
Figura 1.7 Deformación de una planta de ajo por una mala colocación de la semilla
Castaños [8] propone cambiar la técnica y tecnología de producción de
ajo a bandejas, para su posterior trasplante en campo o invernaderos y
sus variantes, mediante la utilización de máquinas sembradoras
estacionarias que sean capaces de colocar los dientes de manera
correcta en los alveolos de las bandejas, que previamente han sido
llenadas de sustrato y se le ha practicado orificios donde se alojarán los
dientes. Acto seguido la bandeja avanza para que los orificios sean
cubiertos de sustrato y se les aplique un riego de auxilio para favorecer
la brotación, que ocurrirá en una cámara de germinación con clima e
iluminación controlados.
Después de un tiempo de adaptación al medio ambiente, las bandejas
pasarán a invernaderos de producción de plántulas donde completarán
su crecimiento y una vez que se alcance, de acuerdo a los
requerimientos agronómicos y de las máquinas trasplantadoras a
Capítulo 1 Introducción
8
utilizar, se les llevará al lugar de trasplante para que completen su
crecimiento hasta la cosecha. Por regla general, las plántulas que se van
a trasplantar deben haber formado dos o más hojas verdaderas.
El siguiente tema busca mejorar el proceso de mecanización en la
siembra de dientes de ajo, diseñando un sistema de identificación por
medio de visión artificial y redes neuronales artificiales para la
identificación del ápice de dientes de ajos, ya que, el diente de ajo es
una semilla susceptible a la orientación en la que ésta es plantada; la
parte apical de la semilla tiene que ser plantada orientada hacia arriba
para el correcto desarrollo de la planta, si el diente no cae en esa
posición la planta pude crecer con deformaciones que afecten el
desempeño del cultivo o en el caso más extremo no desarrollarse.
1.4 Objetivos
1.4.1 General
El objetivo de este trabajo es el diseño de una red neuronal artificial
para la identificación del ápice de dientes de ajos mediante visión
artificial para automatizar su siembra en charolas utilizando una
máquina sembradora estacionaria.
1.4.2 Específicos
1. Evaluar la eficacia de la red neuronal y del sistema de orientación.
2. Una vez identificado el ápice del diente de ajo, mandar una señal
de control para el sentido de giro del actuador, el cual moverá la
corredera del sistema de orientación haciendo que el diente de ajo
caiga en la posición identificada por la RNA.
3. Procurar que la parte apical del diente caiga hacia arriba.
1.5 Estado del arte
Al revisar los avances tecnológicos sobre la aplicación de las redes
neuronales artificiales en el campo de la agricultura y agroindustria, se
encontraron redes neuronales aplicadas a identificar frutas, en búsqueda
de sus respectivas formas, en defectos superficiales o en el tamaño [9],
maduración por medio de la concentración de elementos volátiles [10] y
monitoreo de los procesos de deshidratación de frutas [11].
Hablando de la semilla abordada en esta tesis, no se encontró algo
relacionado con redes neuronales artificiales, el único trabajo publicado
Capítulo 1 Introducción
9
en ubicar el ápice de un diente de ajo por medio de visión artificial [12]
Se propone un análisis digital de imágenes para identificar el ápice de
un diente por medio de una cámara de vídeo y lámparas de iluminación;
el algoritmo se divide en cuatro pasos 1) captura de la imagen; 2)
detección del borde perimetral de los dientes de ajo; 3) cálculo de
ángulos en el interior del borde de los dientes y localización del ápice
bajo la hipótesis de que éste coincide con el ángulo más pequeño en el
interior del borde; 4) identificación de la necesidad de reorientar el
ápice.
Figura 1.8 Detección del ápice del ajo [12]
Para el experimento se probaron 60 ajos (15 por cada tamaño de diente
clasificado: chico, mediano, grande y jumbo), los autores identificaron
dos posibles posiciones en que los ajos podían caer, los cuales fueron
clasificados en posición lateral y posición frontal, haciendo un total de
360 imágenes.
Los resultados publicados mencionan que 83.3 % de las 360 imágenes
de bordes de ajo se identificó correctamente. Para la posición frontal, el
ápice se detectó correctamente en 80% de los casos, para la posición
lateral 86.7%.
Capítulo 1 Introducción
10
Figura 1.9 Diagrama de bloques usado en [12]
Capítulo 2 Marco Teórico
11
Capítulo 2. Marco Teórico
El cerebro humano es el sistema de cálculo más complejo que conoce el
hombre. La computadora y el hombre realizan diferentes clases de
tareas; así la operación de reconocer el rostro de una persona resulta
una tarea relativamente sencilla para el hombre y difícil para el
ordenador, mientras que realizar la contabilidad de una empresa es
tarea costosa para un experto contable y una sencilla rutina para un
ordenador básico [13].
La capacidad del cerebro humano de pensar, recordar y resolver
problemas ha inspirado a muchos científicos intentar o procurar modelar
en la computadora el funcionamiento del cerebro humano.
Las redes neuronales artificiales (Artificial Neural Networks) o (RNA) son
sistemas, hardware o software, de procesamiento, que copian
esquemáticamente la estructura neuronal del cerebro para tratar de
reproducir sus capacidades. Las RNA son capaces así de aprender de la
experiencia a partir de las señales o datos provenientes del exterior
[13].
Se estima que el sistema nervioso de los animales vertebrados contiene
alrededor de cien mil millones de neuronas que vistas al microscopio
pueden presentar múltiples formas, aunque muchas de ellas presentan
un aspecto similar muy peculiar (Figura 2.1), con un cuerpo o soma (de
entre 10 y 80 micras de longitud), del que surge un denso árbol de
ramificaciones (árbol dendrítico) compuesto por las dendritas, y del cual
parte de una fibra tubular denominada axón (cuya longitud varia de las
100 micras hasta el metro en el caso de neuronas motoras), que
también se ramifican en su extremo final para conectar con otras
neuronas.
Capítulo 2 Marco Teórico
12
Figura 2.1 Estructura de una neurona biológica.
Desde un punto de vista funcional, las neuronas constituyen
procesadores de información. Como todo sistema de este tipo, poseen
un canal de entrada de información, las dendritas, un órgano de
procesamiento, el soma o cuerpo celular y un canal de salida, el axón.
En las interneuronas el axón envía la información a otras neuronas,
mientras que en las neuronas motoras lo hace directamente al músculo.
Existe un tercer tipo de neurona, las receptoras o sensoras, que, en vez
de recibir la información de otras neuronas, la reciben directamente del
exterior (tal sucede, por ejemplo, en los conos y bastones de la retina)
[13].
La conexión de dos neuronas se denomina sinapsis. En el tipo de
sinapsis más común no existe un contacto físico entre las neuronas, sino
que éstas permanecen separadas por un pequeño vacío de unas 0.2
micras. En relación a la sinapsis, se habla de neuronas presinápticas (las
que envían las señales) y postsinápticas (las que reciben las señales).
Las sinapsis son direccionales, es decir, la información fluye siempre en
un único sentido [13].
2.1 Marco histórico
Alan Turing (1912-1954) fue el primero en estudiar el cerebro como una
forma de ver el mundo de la computación. Sin embargo, los primeros
teóricos que concibieron los fundamentos de la computación neuronal
fueron Warren McCulloch (1898-1969), un neurofisiólogo, y Walter Pitts
(1923-1969), un matemático, quienes, en 1943, lanzaron una teoría
acerca de la forma de trabajar de las neuronas. Ellos modelaron una red
neuronal simple mediante circuitos eléctricos.
En 1949 Donald Hebb (1904-1985) escribe un importante libro: “La
organización del comportamiento”, en el que se establece una conexión
Capítulo 2 Marco Teórico
13
entre psicología y fisiología. Fue el primero en explicar los procesos del
aprendizaje (que es el elemento básico de la inteligencia humana) desde
un punto de vista psicológico, desarrollando una regla de como el
aprendizaje ocurría. Su idea fue que el aprendizaje ocurría cuando
ciertos cambios en una neurona eran activados. También intentó
encontrar semejanzas entre el aprendizaje y la actividad nerviosa. Los
trabajos de Hebb formaron las bases de la Teoría de las Redes
Neuronales.
Frank Rosenblatt (1928-1971) inventa el Perceptrón (1957). Esta es la
red neuronal más antigua; utilizándose hoy en día para aplicación como
reconocedor de patrones. Sin embargo, tenía una serie de limitaciones,
por ejemplo, su incapacidad para resolver el problema de la función OR-
exclusiva y, en general, era incapaz de clasificar clases no separables
linealmente. En 1959, escribió el libro Principios de Neurodinámica, en el
que confirmó que, bajo ciertas condiciones, el aprendizaje del
Perceptrón convergía hacia un estado finito (Teorema de Convergencia
del Perceptrón).
Bernard Widrow (1929- ) y Marcian Hoff (1937- ) desarrollaron el
modelo Adaline (ADAptative LINear Elements). Esta fue la primera red
neuronal aplicada a un problema real (filtros adaptativos para eliminar
ecos en las líneas telefónicas).
Marvin Minsky (1927-2016) y Seymour Papert (1928-2016). En el año
de 1969 surgieron críticas que frenaron, hasta 1982, el crecimiento que
estaban experimentando las investigaciones sobre redes neuronales.
Minsky y Papert, publicaron un libro “Perceptrons.” Probaron
(matemáticamente) que el Perceptrón no era capaz de resolver
problemas relativamente fáciles, tales como el aprendizaje de una
función no-lineal.
James Anderson (1940- ), desarrolló un modelo lineal, llamado
Asociador Lineal, que consistía en elementos integradores lineales
(neuronas) que sumaban sus entradas. Este modelo se basa en el
principio de que las conexiones entre neuronas son reforzadas cada vez
que son activadas. Anderson diseñó una potente extensión del Asociador
Lineal, llamada Brain State in a Box (BSB).
Paul Werbos (1947- ) en 1974 desarrolla la idea básica del algoritmo de
aprendizaje de propagación hacia atrás (backpropagation); cuyo
significado quedó definitivamente aclarado en 1985.
Capítulo 2 Marco Teórico
14
Stephen Grossberg (1939- ) desarrolla en 1977 la Teoría de Resonancia
Adaptada (ART). La Teoría de Resonancia Adaptada una arquitectura de
red que se diferencia de todas las demás previamente inventadas. La
misma simula otras habilidades del cerebro: memoria a largo y corto
plazo.
John Hopfield (1933) Provocó el renacimiento de las redes neuronales
con su libro: «Computación neuronal de decisiones en problemas de
optimización» en 1985.
David Rumelhart (1942-2011) y Geoffrey. Hinton (1947 - ) redescubren
en el año de 1986 el algoritmo de aprendizaje de propagación hacia
atrás (backpropagation). A partir de ese año, el panorama fue alentador
con respecto a las investigaciones y el desarrollo de las redes
neuronales [14].
2.2 Estructura de una Red Neuronal Artificial
Una RNA imita la estructura hardware del sistema nervioso, con la
intención de construir sistemas de procesamiento de la información
paralelos, distribuidos y adaptativos, que puedan presentar un cierto
comportamiento “inteligente”.
Una computadora es, en esencia, una máquina, construida en torno a
una única CPU o procesador, que ejecuta de un modo secuencial un
programa almacenado en memoria. Por el contrario, el cerebro no está
compuesto por un único procesador, sino por miles de millones de ellos
(neuronas), aunque muy elementales. Curiosamente, las neuronas son
mucho más simple, más lentas y menos fiables que una CPU, y, a pesar
de ello, existen problemas difícilmente abordables mediante una
computadora convencional, que el cerebro resuelve eficazmente
(reconocimiento del habla, visión de objetos inmensos en el ambiente
natural, respuesta ante estímulos del entorno, etc.) [13].
Por lo tanto, la idea que subyace en los sistemas neuronales artificiales
es que, para abordar el tipo de problemas que el cerebro resuelve con
eficiencia, puede resultar conveniente construir sistemas que “copien”
en cierto modo la estructura de las redes neuronales biológicas con el fin
de alcanzar una funcionalidad similar.
Los elementos básicos de un sistema neuronal biológico son las
neuronas, que se agrupan en conjuntos compuestos por millones de
Capítulo 2 Marco Teórico
15
ellas organizadas en capas, constituyendo un sistema con funcionalidad
propia. Un conjunto de estos subsistemas da lugar a un sistema global
(el sistema nervioso, en el caso biológico). En la realización de un
sistema neuronal artificial puede establecerse una estructura jerárquica
similar. El elemento esencial de partida será la neurona artificial o
elemento procesador, que se organizará en capas; varias capas
constituirán una red neuronal; y, por último, una red neuronal (o
conjunto de ellas), junto con las interfaces de entrada y salida, más los
módulos convencionales adicionales necesarios, constituirán el sistema
global de proceso [13].
2.2.1 Modelo general de una neurona artificial o
elemento procesador
Se ocupará la siguiente notación [15] para diferenciar los siguientes
elementos: Escalares: Letras minúsculas en itálica: . Vectores: Letras minúsculas en negritas: a, b, c.
Matrices: Letras mayúsculas en negritas: A, B, C.
Una neurona artificial o elemento procesador con una sola entrada se
muestra en la Figura 2.2.
Figura 2.2 Modelo general de un elemento procesador
La entrada escalar es multiplicada por el escalar de peso para
formar , este término es enviado a la suma. La otra entrada, 1, es
multiplicada por un sesgo (bias) , el segundo término de la suma. Esta
suma proporciona la salida , también conocida como , este
Capítulo 2 Marco Teórico
16
término se evalúa en la función de activación , la cual produce la salida
de la red .
Si comparamos este modelo simple de un elemento procesador
(neurona artificial) con una biológica, el peso corresponde a la fuerza
de la conexión sináptica, el cuerpo celular está representado por la
suma y la función de activación, la salida de la neurona representa la
señal en el axón.
La salida de un elemento procesador puede calcularse como:
( )
Ec.1
El valor de la salida depende de la función de activación que se elige. El
sesgo es una variable extra que proporciona a la red neuronal artificial
un grado de libertad extra, excepto que éste tiene siempre un valor
constante de 1, que puede o no estar dependiendo del tipo de red
neuronal.
Tanto los valores de son parámetros ajustables. Generalmente la
función de activación es elegida por el diseñador de la red y los
parámetros se ajustan por la regla de entrenamiento que relaciona
las entradas y salidas de la red. Se tienen varios tipos de funciones de
activación para diferentes propósitos [15].
2.2.2 Funciones de activación
La función de activación o función de transferencia mostrada en la
Figura 2.3 puede ser una función lineal o no lineal de . Una función de
activación se elige para satisfacer ciertas especificaciones del problema
a resolver [15].
A continuación, se nombran las funciones de activación con más uso:
La función escalón “hardlimit” (Figura 2.3), obtiene como salida 0 si el
argumento de la función es menor que 0, o 1 si el argumento es igual o
mayor a 0. Se usa esta función de activación para solucionar problemas
de clasificación con dos o más categorías.
Capítulo 2 Marco Teórico
17
Figura 2.3 Función de activación Escalón
La salida en una función de activación lineal “purelin” (Figura 2.4) es
igual a la entrada:
Ec 2
Los elementos procesadores en una red ADALINE ocupan este tipo de
función de activación.
Figura 2.4 Función de activación Lineal
La función de activación logarítmica sigmoidal “logsig” (Figura 2.5).
Capítulo 2 Marco Teórico
18
Figura 2.5 Función de activación logarítmica sigmoidal
Esta función de activación toma como entradas cualquier valor de
y lo transforma a un rango entre 0 y 1, de acuerdo a la
siguiente expresión:
Ec 3
Esta función se usa comúnmente en redes multicapas usando el
algoritmo de retropropagación, en parte porque esta función es
derivable.
2.2.3 Elemento procesador con entradas múltiples
Generalmente, un elemento procesador tiene más de una entrada. Un
elemento procesador con entradas se muestra en la Figura 2.6.
Capítulo 2 Marco Teórico
19
Figura 2.6 Elemento procesador con múltiples entradas
Las entradas individuales están multiplicadas por los
elementos correspondientes de la matriz de pesos W. El
valor del sesgo b se suma con la multiplicación de las entradas con los
pesos formando la entrada neta n:
Ec 4
Esta expresión puede ser escrita en forma matricial de la siguiente
forma:
Ec 5
Ahora la salida de la red es:
( ) Ec 6
Afortunadamente, las redes neuronales artificiales pueden escribirse en
forma matricial.
Para interpretar los subíndices de los elementos de la matriz de pesos se
ocupará las siguientes reglas. El primer subíndice indica el número de
neurona, el segundo subíndice representa el número de entrada que
está siendo procesada [15].
2.3 Redes Monocapa
Capítulo 2 Marco Teórico
20
Comúnmente un solo elemento procesador, aún con múltiples entradas
no suele ser suficiente para resolver el problema, los elementos
procesadores pueden trabajar en paralelo, este tipo de arreglo se le
conoce como “capa” [15].
Una red monocapa con S elementos procesadores se muestra en la
Figura 2.7, con R entradas que se conectan a cada neurona a través de
la matriz de pesos con S filas y R columnas.
Figura 2.7 Representación de una red monocapa
Cada elemento del vector de entradas p está conectado a cada neurona
a través de la matriz de pesos W. Cada neurona posee su valor de
sesgo , una suma y una función de activación f así como una salida ,
formando en vector de salidas a.
Es común que el número de entradas sea diferente al número de
neuronas en la capa ( ).
Cada elemento del vector de entrada se multiplica con los elementos de
la matriz de pesos W:
[
]
Como se puede notar, las filas indican el número del elemento
procesador, mientras que las columnas indican el número de entrada
que está siendo multiplicado [15].
2.3.1 Perceptrón
Capítulo 2 Marco Teórico
21
En 1943, Warren McCulloch y Walter Pitts introdujeron una de los
primeros elementos procesadores. La tarea principal de éste es sumar el
producto de las entradas por los pesos y compararlo con un umbral para
determinar la salida de la neurona. Cuando la suma es mayor o igual
que el valor del umbral, la salida es “1”, mientras que, si el valor de la
suma es menor al umbral, la salida es “0”. Demostraron que este
elemento procesador era capaz de hacer algunas operaciones lógicas
básicas. En comparación con las neuronas biológicas este tipo de
elemento procesador tenía que ser diseñada en vez de entrenada ya que
no había una regla de entrenamiento [15].
En la década de los 50s, Frank Rosenblatt y un grupo de investigadores
desarrollaron una clase de red neuronal llamada perceptrón. Los
elementos procesadores en esta red eran similares a las neuronas de
McCulloch-Pitts. El descubrimiento de Rosenblatt fue la introducción de
la regla de entrenamiento del perceptrón para la resolución de
problemas. Él demostró que esa regla siempre converge a una solución
si ésta existe, es decir encuentra los pesos correctos para solucionar el
problema.
Desafortunadamente, la red perceptrón posee limitaciones. Estas
limitaciones fueron publicadas en el libro Perceptrons de Marvin Minsky
y Seymour Papert, quienes demostraron que la red perceptrón era
incapaz de implementar ciertas operaciones lógicas básicas. No fue sino
hasta la década de los 80s cuando esas limitaciones fueron superadas
con la implementación del perceptrón multicapa y su respectiva regla de
entrenamiento.
El perceptrón hoy día sigue siendo una red neuronal artificial muy
importante por su capacidad y velocidad para resolver problemas de
clasificación, además, entender la operación de un perceptrón facilita el
entendimiento de redes más complejas [15].
La salida de la red está dada por:
( ) Ec 7
O bien
( ) Ec 8
El esquema general de un perceptrón se muestra en la Figura 2.8
Capítulo 2 Marco Teórico
22
Figura 2.8 Esquema general de un perceptrón
Así, sí el producto de la matriz de pesos y el vector de entrada es mayor
o igual a , la salida de la neurona será 1, sino 0. Se puede decir que
cada neurona en la red divide el espacio de entradas en dos regiones
[15].
2.3.2 ADALINE
La red ADALINE es muy similar a la del perceptrón excepto que ésta usa
una función de activación lineal en vez de una función escalón. Ambas
redes sufren la misma limitante: sólo pueden resolver problemas con
separabilidad lineal [15].
La red ADALINE (ADAptive LInear NEuron) se muestra en la Figura 2.9
Figura 2.9 Red ADALINE
Capítulo 2 Marco Teórico
23
La salida de la red está dada por la siguiente expresión:
( ) Ec 9
2.4 Redes Multicapa
Ahora consideremos el caso de una red multicapa, estas redes son
mucho más poderosas que las redes monocapas ya que son capaces de
resolver problemas de separabilidad no lineal, así como los problemas
de aproximación de funciones.
Cada capa posee su propia matriz de pesos W, su vector de sesgos b,
un vector de entradas netas n y un vector de salidas a. Para lograr
distinguir este tipo de arquitecturas se usará la siguiente nomenclatura:
Se ocuparan superíndices para identificar las capas, así la matriz de
pesos de la primera y segunda capa estarán representados por
respectivamente.
A continuación, se muestra un ejemplo de cómo aplicar esta
nomenclatura (Figura 2.10)
Figura 2.10 Red Multicapa
La última capa de la red se le conoce como capa de salida, las otras
capas se conocen como capas ocultas, en la Figura 2.10 se muestran
dos capas ocultas (capa 1 y capa 2) y una capa de salida (capa 3).
En la práctica las redes con 2 o 3 capas son más usadas que redes con 4
o más capas.
Capítulo 2 Marco Teórico
24
2.5 Reglas de entrenamiento
Por regla de entrenamiento entenderemos al procedimiento para
modificar los pesos y sesgos de una red. (Éste también puede ser
llamado algoritmo de entrenamiento). El propósito de estas reglas es
entrenar la red para que realice una tarea. Existen varias reglas de
entrenamiento para redes, pero todas ellas caen en tres categorías: a)
aprendizaje supervisado, b) aprendizaje no supervisado y c) aprendizaje
por reforzamiento.
En el aprendizaje supervisado, la red aprende con una serie de patrones
de ejemplos (patrones de entrenamiento) de la forma:
* + * + * +
Donde es la entrada de la red y es la salida deseada
correspondiente (objetivo). Como las entradas van siendo procesadas
por la red, la salida obtenida se compara con la salida deseada. La regla
de entrenamiento trata de ajustar los pesos y los sesgos para que la
salida de la red sea lo más parecido a la salida deseada.
El aprendizaje por reforzamiento es similar al entrenamiento
supervisado, excepto que, en vez de presentar la salida deseada por
cada entrada, se le otorga una calificación. Esta calificación es una
medida del rendimiento de la red sobre una secuencia de entradas. Este
tipo de entrenamiento es menos usado que el entrenamiento
supervisado, siendo usado en aplicaciones de sistemas de control.
En el aprendizaje no supervisado, los pesos y los sesgos son
modificados en respuesta únicamente de las entradas, aquí no hay
salidas deseadas disponibles para la red. Como primer vistazo esto
puede parecer impráctico. ¿Cómo podemos entrenar una red si no
sabemos que es lo que tiene que hacer? Muchos de estos algoritmos se
ejecutan en algún tipo de operación con clusters. Ellos aprenden a
separar los patrones de entrada en un número finito de categorías, este
tipo de aprendizaje se ocupa mucho en aplicaciones que involucren
cuantificación de vectores [16].
Capítulo 2 Marco Teórico
25
2.5.1 Entrenamiento de Widrow-Hoff
Bernard Widrow comenzó a trabajar en Redes Neuronales Artificiales a
finales de la década de los 50´s, al mismo tiempo que Frank Rosenblatt
diseñaba el algoritmo de aprendizaje del perceptrón. En 1960 Widrow y
su alumno Marcian Hoff, introdujeron la red ADALINE y su regla de
entrenamiento la cual llamaron algoritmo LMS (Least Mean Square).
El algoritmo LMS es más poderoso que el algoritmo de aprendizaje del
perceptrón, mientras que en la regla de aprendizaje del perceptrón
garantiza converger a una solución que separe correctamente los
patrones de entrada, el resultado del entrenamiento puede ser sensible
a ruido de patrones muy cercanos a la frontera de decisión. Los
algoritmos LMS minimiza el error cuadrático medio, además de que trata
de mover la frontera de decisión lo más lejano posible de los patrones
de entrenamiento.
El algoritmo LMS ha encontrado mucho más usos prácticos que la regla
de entrenamiento del perceptrón. Esto es especialmente cierto en áreas
del procesamiento digital de señales. Por ejemplo, las líneas telefónicas
más largas usan una red ADALINE para la cancelación de eco.
A causa del gran logro de algoritmo LMS en aplicaciones de
procesamiento de señales y a la ausencia de un algoritmo para redes
multicapas, Widrow dejo de trabajar en redes neuronales en los
primeros años de la década de los 60´s y se dedicó de tiempo completo
en procedimientos adaptativos de señales. Regresó al campo de las
redes neuronales artificiales en los 80´s y comenzó la investigación del
uso de redes neuronales artificiales en control adaptativo, usando
temporalmente el algoritmo de Retropropagación, un descendiente del
algoritmo LMS.
El algoritmo LMS es un ejemplo de entrenamiento supervisado, a la red
se le muestran patrones de entradas y las salidas deseadas, en cada
iteración la salida de la red es comparada con la salida deseada.
Este algoritmo ajustará los pesos y los sesgos de una ADALINE para
minimizar el error cuadrático medio, donde el error es la diferencia entre
la salida deseada y la salida de la red [16].
El algoritmo LMS es el siguiente [16]:
Sea
Capítulo 2 Marco Teórico
26
[ ]
Donde
[
]
Es un vector compuesto por los elementos de la i-ésima fila de la matriz
W
Similarmente, se incluye el peso del sesgo “1” como un elemento del
vector de entradas.
[ ]
Ahora la salida de la red se obtendrá de la siguiente forma
Ec 10
Sustituyendo los nuevos vectores se obtiene
Ec 11
El error es definido como
Ec 12
El error cuadrático medio se define como
( ) , - ,( ) - ,( ) - Ec 13
Desarrollando la expresión
( ) , - Ec 14
( ) , - , - , - Ec 15
Que puede ser reescrita de la siguiente manera
( ) Ec 16
Donde
, - , - , -
Aquí el vector h proporciona la correlación cruzada entre el vector de
entradas y la salida deseada, mientras que R es la matriz de correlación
de las entradas. Los elementos de la diagonal de la matriz son igual al
error cuadrado medio de los elementos del vector de entradas.
Ahora obtendremos el punto estacionario, para ello se obtiene el
gradiente de la función
Capítulo 2 Marco Teórico
27
( ) (
) Ec 17
El punto estacionario de F(x) se obtiene igualando el gradiente a cero
Ec 18
Por lo tanto, si la matriz de correlación es positiva definida habrá un
único punto estacionario que será un mínimo:
Ec 19
El siguiente paso es diseñar el algoritmo para localizar el mínimo de la
función. Si se puede calcular las matrices h y R se puede ocupar la
ecuación anterior directamente. Si no se quiere calcular la inversa de R,
se puede ocupar el algoritmo de pasos descendientes, con el cálculo de
gradiente. Sin embargo, no es deseable calcular las matrices h y R. Por
esta razón usaremos una aproximación del algoritmo de pasos
descendientes, usando un gradiente estimado.
El algoritmo LMS puede ser escrito en forma matricial de la siguiente
forma
( ) ( ) ( ) ( ) Ec 20
( ) ( ) ( ) Ec 21
2.5.2 Retropropagación
El algoritmo de Retropropagación (Backpropagation) es una
generalización del algoritmo LMS, éste es usado en el entrenamiento de
redes multicapa. Como el algoritmo LMS, el algoritmo de
Retropropagación es una aproximación del algoritmo de pasos
descendientes. La diferencia entre el algoritmo LMS y el algoritmo de
Retropropagación es únicamente la forma en la que se calculan las
derivadas parciales. Para el caso de una capa el error es una función
lineal explicita de los pesos de la red, y su derivada respecto a los pesos
es sencilla de computar. En una red multicapa con una función de
activación no lineal, la relación entre los pesos de la red y el error es
más complicada. Para encontrar esa relación necesitaremos utilizar la
regla de la cadena.
Los algoritmos del perceptrón y LMS fueron diseñados para entrenar
redes monocapa, estas redes poseen la misma limitante, no pueden
resolver problemas con separabilidad no lineal. Widrow y Rosenblatt
conocían esto y propusieron redes multicapa que podían solucionar esas
Capítulo 2 Marco Teórico
28
limitaciones, pero no fueron capaces de generalizar algún algoritmo de
entrenamiento para este tipo de redes.
La primera referencia de una red multicapa y un algoritmo para
entrenarla se encontró en la tesis de Paul Werbos en 1974. Ésta
presentó un algoritmo en general para las redes neuronales, pero no
tuvo mucha difusión en la comunidad que estudiaba las redes
neuronales artificiales No fue sino hasta mediados de la década de los
80´s que el algoritmo de Retropropagación fue redescubierto y
extensamente publicado por David Rumelhart, Geoffrey Hinton y Ronald
Williams, David Parker y Yann Le Cun, popularizado en la publicación del
libro Parallel Distributed Processing. El perceptrón multicapa entrenado
con este algoritmo es el más usado en redes neuronales [17].
Como se explica en [17] la salida de la capa siguiente en una red
multicapa se usa la siguiente expresión:
( ) Ec 22
Donde M es el número de capas en la red. La primera capa recibe el
vector de entradas:
La salida de la red es el resultado de la última capa:
El algoritmo de Retropropagación al igual que el algoritmo LMS usan el
mismo índice de rendimiento: el error cuadrático medio. Al algoritmo se
le presenta una serie de entradas y salidas deseadas con la forma
* + * + * +
Donde es la entrada a la red y es la salida deseada, la red calcula
la salida obtenida por cada entrada presentada, el algoritmo ajustará los
parámetros de la red para minimizar el error cuadrático medio:
( ) , - ,( ) - Ec 23
Donde x es el vector de entradas y sesgos. Si la red está multiplicada
por todas las salidas el error cuadrático medio puede generalizarse
como
( ) , - ,( ) ( )- Ec 24
Como en el algoritmo LMS, podemos aproximar el error cuadrático como
Capítulo 2 Marco Teórico
29
( ) ( ( ) ( )) ( ( ) ( )) ( ) ( )
Ec 25
Donde el valor esperado del error es sustituido por el error cuadrático en
la iteración k.
El algoritmo de pasos descendientes con el error cuadrático medio es
( )
( )
Ec 26
( )
( )
Ec 27
Ya que el error es una función indirecta de los pesos en las capas
ocultas, necesitamos la regla de la cadena para calcular esas derivadas.
Como repaso, tenemos una función f que es una función explicita de la
variable n, podemos encontrar la derivada de f con respecto a una
tercera variable w. La regla de la cadena queda como:
( ( ))
( )
( )
Usaremos ese concepto para encontrar las derivadas en las ecuaciones
del algoritmo de pasos descendentes como:
Ec 28
Ec 29
El segundo término en cada una de las ecuaciones anteriores puede ser
fácilmente calculada, ya que la entrada neta de la capa m es una
función explicita de los pesos y los sesgos en esa capa:
∑
Ec 30
Por lo tanto
Ahora definiremos la sensibilidad de la capa m
Capítulo 2 Marco Teórico
30
Ec 31
Las ecuaciones del algoritmo quedan hasta el momento como
Ec 32
Ec 33
Ahora podemos expresar la aproximación del algoritmo de pasos
descendentes:
( )
( )
Ec 34
( )
( )
Ec 35
Que de manera matricial se escribe
( ) ( ) ( )
Ec 36
( ) ( )
Ec 37
Donde
[
]
Ahora que hemos visto como calcular las sensibilidades, necesitamos
aplicar otra vez la regla de la cadena para calcular la relación de la
sensibilidad de la capa siguiente con respecto a la sensibilidad de la
capa actual, de aquí viene el nombre del algoritmo Retropropagación.
Para derivar la relación entre las sensibilidades usaremos la siguiente
matriz Jacobiana
Capítulo 2 Marco Teórico
31
[
]
Ahora necesitamos encontrar una expresión para esta matriz.
Considerando los elementos i,j de la matriz
(∑
)
Ec 38
(
)
( )
Ec 39
Donde
( )
( )
Ahora la matriz Jacobiana puede escribirse como:
( )
Ec 40
Donde
( ) [ (
) (
)]
Ahora escribiremos la relación recurrente de la sensibilidad usando la
regla de la cadena en forma matricial:
(
)
( )( )
( )( )
Ec 41
Las sensibilidades se propagan hacia atrás a través de la red desde la
última hasta la primera capa.
Solo hay un paso más para completar el algoritmo de Retropropagación.
Necesitamos el punto inicial . Esta se obtiene de la última capa.
Capítulo 2 Marco Teórico
32
( ) ( )
∑ ( )
( )
Ya que
( )
(
)
Que puede escribirse como
( )
( )
Ec 42
Que en forma matricial
( )( )
Ec 43
Como resumen el algoritmo de Retropropagación es:
1) Iniciar de manera aleatoria con valores pequeños.
2) Propagar las entradas a través de la red
Ec 44
( ) Ec 45
Ec 46
3) Propagar las sensibilidades desde la última capa a la primera
( )( ) Ec 47
( )( ) Ec 48
4) Por último, actualizar los pesos y los sesgos usando el algoritmo
de pasos descendentes
( ) ( ) ( ) Ec 49
( ) ( ) Ec 50
Las funciones de activación más usadas en el algoritmo de
Retropropagación son la función Logarítmica Sigmoidal, Tangente
Hiperbólica y Lineal:
Capítulo 2 Marco Teórico
33
Para la función de activación Logarítmica Sigmoidal
( )
(
)
( ) (
) (
) ( )( )
( ) ( )( ) Ec 51
Para la función de activación Tangente Hiperbólica
( )
(
) (
)
( ) Ec 52
Para la función de activación lineal
( )
( ) Ec 53
Capítulo 3 Diseño de la RNA y descripción del sistema de identificación
34
Capítulo 3. Diseño de la Red Neuronal Artificial y
descripción del sistema de identificación
3.1 Parámetros de diseño de la Red Neuronal Artificial
En la entrevista con el usuario se identificaron los siguientes
requerimientos:
a) Identificar el ápice del ajo.
b) Orientar el ápice del ajo.
c) Identificar semillas de tamaño mediano y grande
Que traducidos a especificaciones:
Especificación Unidad Rango Identificación % de identificación [75, 100] Orientación % de aciertos [75, 100]
Tamaño de la semilla cm [3, 5] Tabla 3.1 Especificaciones de la RNA
Los parámetros de diseño de la RNA son los siguientes:
Imágenes binarias con codificación [-1,1] de 80 x 46 píxeles,
dando un vector de entradas elementos.
Se ocuparon dos capas M=2, con 350 elementos procesadores en
la capa oculta y 3 en la capa de salida.
Todas las funciones de activación serán tangentes hiperbólicas
(sigmoidea).
Se ocupó el algoritmo de retropropagación como regla de
entrenamiento, los parámetros de entrenamiento fueron:
Taza de aprendizaje α=0.001
Error cuadrático medio e<0.01
Épocas Épocas>750 Tabla 3.2 Parámetros de entrenamiento de la RNA
Capítulo 3 Diseño de la RNA y descripción del sistema de identificación
35
Se manejó una taza de aprendizaje constante, con ésta el algoritmo no
oscilaba, es decir el error cuadrático medio no subía y bajaba con cada
época.
El entrenamiento de la red se detenía al llegar a, a) el error cuadrático
medio fuera igual o menor a 0.01 o b) el número de épocas fuera igual a
750.
Figura 3.1 Parámetros de la Red Neuronal
La salida de la red está dada de la siguiente forma
, - , - , -
Figura 3.2 Salidas de la RNA dependiendo de las imágenes de entrada
Algunas de las imágenes ocupadas en el entrenamiento se muestran en el Anexo B.
El programa para obtener la base de entrenamiento guarda dos bases
de entrenamiento, una con una codificación [0,1] llamada P0 y otra con
codificación [-1,1] llamada P1, realizando pruebas se vio que la
codificación de la base de entrenamiento P1 obtenía mejores resultados
que P0, por lo tanto, se trabajó con ella.
Capítulo 3 Diseño de la RNA y descripción del sistema de identificación
36
Figura 3.3 Diagrama de bloques del programa de adquisición de la base de entrenamiento y base de prueba
Figura 3.4 Diagrama de bloques del entrenamiento de la RNA
Se notó que los valores iniciales de las matrices de pesos W11, W21 y
vectores de sesgos o polarizaciones b11 y b21 debían ser pequeños en
el orden de 0.1 para que el algoritmo convergiera a una solución.
En la Figura 3.5 se puede ver como el error cuadrático medio disminuía
en cada época de entrenamiento, llegando al error mínimo de 0.01; se
puede ver que el error cuadrático medio decrecía de manera asintótica,
reiterando que la taza de aprendizaje escogida fue la correcta para
evitar oscilaciones en el entrenamiento.
Capítulo 3 Diseño de la RNA y descripción del sistema de identificación
37
Figura 3.5 Gráfica del error cuadrático medio al momento de entrenar la red.
Se realizaron dos programas más para probar la eficacia de la RNA, el
primero prueba la base de entrenamiento, el segundo prueba la RNA con
100 imágenes de prueba, los resultados se muestran el capítulo 5.1.1.
Un tercer programa ayuda a medir la eficacia del sistema de orientación,
los resultados de este experimento se muestran en el capítulo 5.1.2.
Figura 3.6 Diagrama de bloques del programa para medir la eficacia de la RNA
Capítulo 3 Diseño de la RNA y descripción del sistema de identificación
38
Figura 3.7 Diagrama de bloques del programa de prueba del sistema de orientación
3.2 Descripción del sistema de identificación
3.2.1 Sistema de visión artificial
El sistema de visión artificial consta de los siguientes elementos:
Cámara Web Perfect Choice (Figura 3.8).
Figura 3.8 Cámara usada en el sistema de visión.
Característica Especificación
Marca Perfect Choice
Modelo Cámara Web S-Vision
Alimentación 5 Vcc 150 mA
Resolución SVGA 800 x 600 pixeles
Conector USB
Compatibilidad Windows® XP / Vista / 7 / 8/ 8.1
Rango de muestreo 30 fps (cuadros por segundo)
Sensor CMOS
Tabla 3.3 Especificaciones de la cámara Fuente: PerfectChoice
La base de la cámara se modificó para que ésta quedará fija en el
sistema de control (Figura 3.9).
Capítulo 3 Diseño de la RNA y descripción del sistema de identificación
39
Figura 3.9 Modificación de la base de la cámara.
Lámparas LED infrarrojas (Figura 3.10) de 12VDC, éstas se
ocuparon para iluminar el rango de visión y así tomar imágenes
claras y sin interferencia de sombras provocadas por luz visible.
Figura 3.10 Lámparas LED infrarrojas
3.2.2 Sistema de orientación
El sistema de orientación está conformado por el mecanismo de
corredera (Figura 3.11) y el motor de 12VDC, el fin de este sistema es
depositar el ajo dependiendo de la salida obtenida de la RNA.
Figura 3.11 Mecanismo de corredera del sistema de orientación.
Capítulo 3 Diseño de la RNA y descripción del sistema de identificación
40
3.2.3 Sistema de control
El sistema de control está conformado por el circuito de control y una
placa para proyectos Arduino UNO (Figura 3.12), que sirve como
interfaz entre la máquina y el circuito antes mencionado.
Figura 3.12 Arduino UNO
El circuito está conformado por dos botones, uno de
encendido/apagado, el otro un botón de Stop con sus respectivos
indicadores LED y una etapa de potencia conformada por un puente H
L293D.
A partir de la salida obtendida por la RNA la placa Arduino UNO manda
una señal de control al puente H, el cual mueve el motor en un sentido o
en otro, o no moverse cuando no se detecte un diente de ajo. Si el
botón de Stop está activado el programa de la RNA no funcionará hasta
que éste se desactive.
Se diseñó la siguiente PCB, para dejar el circuito usado en el sistema de
manera soldada y así evitar que algún componente se salga con la
vibración de la máquina, también para dejar el trabajo de manera más
profesional.
Capítulo 3 Diseño de la RNA y descripción del sistema de identificación
41
Figura 3.13 PCB del circuito usado Figura 3.14 Vista 3D de la PCB
Se ocupó un software de simulación de circuitos para el diseño de la
PCB, el fin de este diseño fue que el circuito embonara sobre la placa
Arduino UNO ahorrando así espacio y evitando conexiones innecesarias
(Figura 3.13 y 3.14).
Figura 3.15a Vista frontal de la PCB Figura 3.15b Vista Trasera de la PCB
Capítulo 3 Diseño de la RNA y descripción del sistema de identificación
42
Se diseñó una caja para proteger al circuito, ésta se hizo de MDF
cortado por láser (Figura 3.16).
Figura 3.16 Caja protectora del circuito
El circuito consta de dos botones, el botón con el led rojo es el que
detiene la comunicación con el Arduino y el programa, el segundo es el
botón de encendido, por la parte trasera de la caja salen todos los
cables necesarios para el control del sistema, el circuito es alimentado
por un cargador de 12VDC.
En la figura 3.17 se muestra el sistema completo.
Figura 3.17 Sistema para la identificación del ápice de un diente de ajo.
Capítulo 3 Diseño de la RNA y descripción del sistema de identificación
43
3.3 Diseño de la interfaz gráfica
Como parte final del diseño de la red, se diseñó una interfaz. La interfaz
creada se puede ver en las figuras 3.18 y 3.20.
Figura 3.18 Interfaz de inicio.
Al momento de ejecutar la interfaz se pedirá el número de identificador
de la cámara, en este el caso de la computadora usada es el 2, el
segundo parámetro es el número del puerto COM en el cual está
conectado Arduino. Si alguno de estos valores faltara al momento de
hacer clic en el botón de inicio, se le envía un mensaje de error al
usuario pidiendo que los llene.
Figura 3.19 Mensaje de error mostrado al faltar algún valor en los cuadros de texto.
Capítulo 3 Diseño de la RNA y descripción del sistema de identificación
44
Sí todo es correcto, la interfaz cambia de aspecto como se muestra a
continuación.
Figura 3.20 Interfaz después de haber dado click en el botón Inicio.
En ésta, las cajas de texto de “Número de cámara” y “Seleccionar COM”
se deshabilitan, mostrando únicamente el valor que ha sido
proporcionado, se muestra, además, el número de fotografías tomadas
en la etiqueta “Número de Ajos”, la imagen obtenida por la cámara y la
respuesta calculada por la red neuronal se muestran al usuario.
En caso de que se quiera suspender el ciclo que hace trabajar a la RNA
existen dos formas, dando clic en el botón Stop de la interfaz gráfica o
accionando el switch de stop del circuito.
Cuando se detiene el ciclo de identificación de dientes de ajo, la interfaz
que se despliega es la siguiente.
Figura 3.21 Interfaz después de detener el proceso.
Capítulo 3 Diseño de la RNA y descripción del sistema de identificación
45
Al momento de hacer clic en el botón de ayuda, se abrirá el archivo
ayuda.pdf; el cual muestra como ocupar la interfaz y como resolver los
problemas que se pudieran llegar a presentar (Anexo A).
A continuación, se presenta el diagrama de bloques del sistema
completo.
Figura 3.22 Diagrama de bloques del sistema de identificación
Capítulo 4 Materiales y métodos
46
Capítulo 4. Materiales y métodos
Para medir la eficacia del sistema de identificación se implementaron
tres tipos de experimentos, el primero sólo mide la eficacia en que la
RNA identifica los dientes de ajo, el segundo mide la eficacia del sistema
completo, es decir si la RNA identifica los ajos y caen bien, el último
experimento es una corrida de prueba para documentar el
funcionamiento de la máquina sembradora de diente de ajos en general.
4.1 Materiales
En cada uno de los tres experimentos se ocuparon los siguientes
materiales:
Ajos
Computadora marca Toshiba, Intel core i5, 2.6 GHz ,4GB RAM.
Placa Arduino UNO.
Sistema de identificación.
Máquina estacionaria sembradora de ajos.
Bandeja con capacidad de 6 ajos con sustrato.
Circuito de control.
Matrices de pesos y sesgos calculados.
Figura 4.1 Ajos usados en las pruebas.
Capítulo 4 Materiales y métodos
47
Figura 4.2 Materiales ocupados en el primer experimento
Figura 4.3 Materiales ocupados en el segundo experimento.
Capítulo 4 Materiales y métodos
48
Figura 4.4 Materiales ocupados en el experimento con la máquina sembradora de dientes de ajo.
Figura 4.5 Bandeja usada durante el experimento de la máquina sembradora de diente de ajos.
Capítulo 4 Materiales y métodos
49
4.2 Métodos
Para el primer experimento, el cual consta en el cálculo de la eficacia
que tiene la RNA, se realizó un programa, donde se le presenta la base
de prueba, la cual consiste en 100 imágenes que la RNA nunca vio, al
final se obtiene el porcentaje de aciertos y fallos que tuvo la red al
identificar la base de prueba. Esto se realiza con 4 bases de datos
distintas.
Para el segundo experimento, se medirá la eficacia del sistema de
orientación, usando el programa explicado con el diagrama de bloques
de la Figura 3.7, se ocuparon 50 ajos por prueba, haciendo un total de
tres pruebas.
El programa muestra la imagen obtenida y según la salida calculada
muestra una imagen parecida a las mostradas en la Figura 3.2, esto
para facilitar la evaluación de la red.
Un tercer y último experimento se realizó con la máquina sembradora
de diente de ajos, ésta se encuentra en las instalaciones de la
Universidad Autónoma Chapingo, en el taller del Departamento de
Ingeniería Agrícola (DIMA), para ver como trabajaba el sistema de
visión y orientación con los demás sistemas que integran la máquina.
El primer pasó fue sincronizar la interfaz de usuario con la máquina,
después el proceso comenzaba, la bandeja entraba por el lado posterior
de la máquina, el transportador, compuesto por una serie de cadenas,
llevaba la bandeja hasta el sensor de presencia, la bandeja continuaba
avanzando hasta que otro sensor encargado de detectar un agujero en
el sustrato mandaba una señal que accionaban el giro del motor del
sistema de alimentación, el diente de ajo se dejaba caer en el sistema
de visión, la cámara tomaba la fotografía y la RNA procesaba los datos
de entrada, tomando la decisión de accionar el motor como se ha
descrito en el capítulo 3, posterior a esto, se checaba si el diente de ajo
fue correctamente identificado y el sistema de orientación dejaba el
ápice del ajo apuntando hacia arriba.
Capítulo 5 Resultados y análisis de resultados
50
Capítulo 5. Resultados y análisis de resultados
5.1 Resultados
5.1.1 Primer experimento
Del experimento número 1 se obtuvieron los siguientes resultados
Prueba Aciertos [# ajos]
Aciertos [%]
Fallos [# ajos]
Fallos [%]
1 84 84 16 16
2 89 89 11 11
3 88 88 12 12
4 84 84 16 16
Promedio 86.3 13.7 Tabla 5.1 Resultados obtenidos del primer experimento
A continuación, se presentan algunas imágenes obtenidas durante el
experimento (Figuras 5.1)
Capítulo 5 Resultados y análisis de resultados
51
Figura 5.1 a) Ajo con el ápice apuntando hacia la derecha
Figura 5.1 b) Ajo identificado con el ápice apuntando hacia la izquierda
Figura 5.1 c) Ajo no identificado
Figura 5.1 d) Ajo identificado, aunque la imagen no esté bien definida
5.1.2 Segundo experimento
Los resultados obtenidos del segundo experimento son los siguientes:
Prueba Aciertos RNA[%]
Fallos RNA[%]
Aciertos Sistema de Orientación
[%]
Fallos Sistema de Orientación
[%]
1 82 18 78 22
Capítulo 5 Resultados y análisis de resultados
52
2 84 16 82 18
3 80 20 78 22 Promedio 82 18 79.3 20.7
Tabla 5.2 Resultados obtenidos del segundo experimento
En las Figuras 5.2 se muestran los casos obtenidos durante el
experimento, éstos son 4, 1) la red identificaba el diente de ajo y lo
depositaba bien, 2) la red no identificaba el ajo y lo depositaba mal, 3)
la red identificaba el diente, pero caía mal y 4) la red no identificaba el
diente, pero caía bien.
Figura 5.2 a) Casos 1 y 2 obtenidos en el segundo experimento.
Capítulo 5 Resultados y análisis de resultados
53
Figura 5.2 b) Casos 3 y 4 obtenidos en el segundo experimento.
5.1.3 Tercer experimento
Total de ajos Aciertos Fallos Eficacia
30 24 6 80% Tabla 5.3 Resultados del tercer experimento
Capítulo 5 Resultados y análisis de resultados
54
Figura 5.3 a) Resultados obtenidos
Figura 5.3 b) Resultados obtenidos
Capítulo 5 Resultados y análisis de resultados
55
Figura 5.3 c) Resultados obtenidos
Figura 5.3 d) Resultados obtenidos
Capítulo 5 Resultados y análisis de resultados
56
5.2 Análisis de los resultados
Del primer experimento se obtuvo una eficacia del 86.3% superando la
eficacia mínima pedida por el usuario y cercano a la taza de
identificación del experimento explicado en el estado del arte con 83.3%
de eficacia en el reconocimiento de los dientes de ajo.
Como se pueden observar en las Figura 5.1 a) y 5.1 b) son las salidas
obtenidas cuando la red identificaba la dirección del ápice del diente de
ajo, en la Figura 5.1 c) la red tuvo problemas al identificar el diente de
ajo, este problema puede ser resuelto presentando a la red un mayor
número de patrones de entrada y así hacerla más robusta. En el caso de
la Figura 5.1 d) se demuestra el poder que tienen las redes neuronales
artificiales de obtener una respuesta, aunque la entrada de ésta esté o
no bien definida.
Para el segundo experimento se obtuvo un promedio general del 82%
de eficacia de la RNA y 79.3% de eficacia del sistema de orientación;
éste tiene menos eficiencia que la RNA porque, en algunos casos, la red
identificaba el diente de ajo y éste caía mal o viceversa, esto se
esperaba ya que la caída del diente depende de su momento de inercia
y no todos los ajos probados tenían el mismo momento, en los casos en
que el diente caía en una posición diferente a la calculada por la RNA fue
porque éste continuaba girando, otra razón de esta diferencia es que
ningún sistema tiene una eficiencia de 1 o 100%, en otras palabras los
dos sistemas nunca tendrán el mismo número aciertos.
Para el tercer experimento los resultados obtenidos demostraron una
eficacia del 80%, lo que reitera que la RNA y el sistema de orientación
trabajan con una eficacia superior a la pedida por el usuario.
Capítulo 6 Conclusiones y trabajo a futuro
57
Capítulo 6. Conclusiones y trabajo a futuro
6.1 Conclusiones
La Red Neuronal Artificial diseñada para la identificación del ápice de
dientes de ajo demostró tener la eficacia mínima pedida en los
requerimientos del proyecto (75%), ésta se podría mejorar presentando
más imágenes de entrenamiento o probando otro tipo de regla de
entrenamiento, pero recordemos que las RNA difícilmente obtienen una
eficacia de 100%, ya que son métodos de solución aproximados.
También la eficacia de reconocimiento de la RNA varía entre un 82% y
un 86.3%, esto por las múltiples formas de los dientes de ajo, la
manera en la que éstos caen y la iluminación, en algunos casos, el
diente tenía zonas más oscuras que otras provocando que la imagen
binaria tuviera huecos, en algunos casos la RNA los identificaba y en
otro no, esto se explica por las características que tienen las RNA a
generalizar los patrones de entrada y asociarlos con algún patrón que
aprendió en el entrenamiento.
El sistema de orientación también demostró ser apto para realizar su
tarea, logrando una eficiencia del 80%, como se explicó en el análisis de
los resultados esto se debió a que los dientes de ajos, al momento de
caer seguían girando producto de la inercia rotacional, logrando así
describir los casos explicados en el capítulo 5.1.2.
Hablando del funcionamiento de los sistemas de visión y orientación
trabajando con la máquina sembradora de dientes de ajo, éstos
funcionaron correctamente como lo demuestran las pruebas, el único
problema encontrado fue la sincronización de todos los sistemas
restantes (sistema de alimentación y sistema de transporte de la
bandeja), actualmente esos dos sistemas y el sistema de visión se
sincronizan por tiempo haciendo que algunas veces los ajos no caigan
en el agujero o caigan dos dientes de ajo, algunas soluciones a estos
problemas se plantean en el trabajo a futuro del proyecto.
La creación de la interfaz gráfica de usuario tiene la finalidad de hacer
amena la interacción del sistema completo de visión con el usuario,
mostrando en cada iteración la imagen tomada por la cámara y la
respuesta obtenida por la RNA, así como el conteo de los dientes de ajos
Capítulo 6 Conclusiones y trabajo a futuro
58
procesados hasta ese momento; el diseño de la interfaz es sencillo y si
hubiera problemas al momento de operarla, el manual de usuario
pudiera ser de gran ayuda, sino fuera suficiente, con el correo
electrónico disponible en el manual pueden contactar al diseñador.
Como conclusión final, quedó demostrado que las RNA son una muy
buena herramienta para resolver problemas asociados a reconocer
imágenes y que, la finalidad de este tipo de proyectos es generar una
tecnología, de buena calidad y sobre todo diseñado y hecho por
mexicanos para resolver problemas de índole nacional e internacional.
6.2 Trabajo a futuro
Como se mencionó en las conclusiones, para mejorar la eficacia de la
red, presentar más imágenes a la red para hacerla más robusta y lograr
sincronizar los sistemas de visión y orientación con los sensores
dispuestos en la máquina actualmente, especialmente en el sensor que
detecta el agujero en la bandeja, el cual mandaría la señal al sistema de
alimentación y al sistema de visión y orientación.
Rediseñar el sistema de orientación para minimizar el giro del diente de
ajo, cuando éste esté cayendo, así mismo migrar la RNA a otro sistema
que no necesite ocupar la computadora ni mucho menos el programa
usado, esto con la finalidad de hacerlo portable y ocuparlo en lugares
donde una computadora no está disponible.
No depender de una computadora para el funcionamiento de la RNA,
trasladando ésta a un microcontrolador y así lograr hacer un equipo más
portable.
Bibliografía
59
Bibliografía
[1] H. Reveles M, V. Velásquez R y L. A. Bravo G. Tecnologías para cultivar ajo en
Zacatecas, Zacatecas México, Instituto Nacional de Investigaciones Forestales,
Agrícolas y Pecuarias. INIFAP, Libro Técnico N° 1, 3-5p, 2009.
[2] Secretaria de Agricultura, Ganadería, Desarrollo Rural, Pesca y Alimentación
(SAGARPA), Aumenta producción de ajo “Hecho en México” 28.9 por ciento en
2016, (2017, 17 marzo)
http://www.sagarpa.gob.mx/Delegaciones/zacatecas/boletines/Paginas/2017B097.
aspx
[3] S. J. Cabrera M. y H. Serwatowski R. Mecanización de la siembra del ajo.
México, Acta Universitaria, Vol. 6, Nº 1. Junio, p. 67-76. 1996.
[4] A. C. García R. El Ajo. Cultivo y Aprovechamiento. Madrid, España. Ediciones
Mundi-Prensa pp: 53-74 1990.
[5] A. López M., J. Burba L.y S. Lanzavechia, Análisis sobre la mecanización del
cultivo de ajo, Mendoza, Argentina. Estación Experimental Agropecuaria La
Consulta, Instituto Nacional de Tecnología Agropecuaria (INTA), Proyecto
Ajo/INTA 104, 2012.
[6] J. Castellanos Z., P. Vargas-Tapia, J. Ojodeagua L., Alcanzar- Gonzalez, F.
Mendez S., E. Alvarez-Sanchez, and A. Gardea A. Garlic productivity and
profitability as affected by seed clove size, planning density and planning method.
HortScience 39:1272-1277, 2004.
[7] H. Reveles M., V. Velásquez R. y L.A. Bravo G. Tecnología para cultivar ajo en
Zacatecas, Zacatecas México, Instituto Nacional de Investigaciones Forestales,
Agrícolas y Pecuarias. INIFAP, Libro Técnico N° 11.,63-64 p. 2009
[8] C. Castaños M., Horticultura, Manejo Simplificado. México Universidad
Autónoma Chapingo, 2000.
[9] P. Constante Prócel N. y, A. Gordón Garcés M. “Diseño e implementación de un
sistema de visión artificial para clasificación de al menos tres tipos de frutas.”
Tesis de Maestría, Escuela Politécnica Nacional Quito, 2015.
[10] C. Durán Acevedo M. y D. Baldovino Mercado R. “Sistema de monitoreo para
detectar la madurez de productos agro-industriales a través de un sistema de
olfato electrónico.” Revista Colombiana de Tecnologías de Avanzada. vol. 1
no.13. 2009.
[11] N. Rojas J. y V. Vásquez V. “Predicción mediante Redes Neuronales Artificiales
(RNA) de la difusividad, masa, humedad, volumen y sólidos en yacón
(Smallantus sonchifolius) deshidratado osmóticamente.” Scientia Agropecuaria,
vol. 3 no.3. 2012
Bibliografía
60
[12] N. Saldaña R., J. Serwatowski H., R.A. Aguilera H. A. Saldaña R.,O.A. Martínez
J. y C. Gutiérrez V. “Localización del ápice del ajo mediante técnicas de análisis
digital de imagen” Agrociencia, vol 50, no.2 , pp. 215-225,febrero-marzo 2016.
[13] B. Martín del Brío, A. Molina S. “Fundamentos de las Redes Neuronales
Artificiales” en Redes Neuronales y Sistemas Borrosos, México 3° Edición.
Alfaomega. 2007, pp:4-12.
[14] H. Hernández J., E. Hernández A., (2017, 13 Enero). Introducción a las Redes
Neuronales [En línea] Disponible en:
https://www.uaeh.edu.mx/docencia/P_Presentaciones/huejutla/sistemas/redes_neu
ronales/introduccion.pdf
[15] M. Hagan T., H. Demuth B.,M. Beale H.,O. De Jesus. “Neuron Model and
Network Architectures” in Neural Network Design, Estados Unidos de América.
2° Edición, 2014, pp: 2-2 – 2-12.
[16] M. Hagan T., H. Demuth B.,M. Beale H.,O. De Jesus. “Widrow-Hoff learning” in
Neural Network Design, Estados Unidos de América. 2° Edición, 2004, pp: 10-2
– 10-9.
[17] M. Hagan T., H. Demuth B.,M. Beale H.,O. De Jesus. “Backpropagation” in
Neural Network Design, Estados Unidos de América. 2° Edición, 2004, pp: 11-2
– 11-14.
Anexos
61
Anexos
Anexos
62
Anexo A Manual de Usuario
Anexos
63
El siguiente documento es para guiar al usuario del programa en caso de alguna
duda o error que se llegara a presentar al momento de ejecutar la interfaz.
Elementos de la interfaz de inicio
Figura 1 Interfaz de inicio del programa
La interfaz de inicio está compuesta por dos imágenes mostrando los escudos de
las dos universidades participando es este proyecto, la Universidad Nacional
Autónoma de México (UNAM) y la Universidad Autónoma Chapingo (UACh), el
botón de Inicio, dos etiquetas, dos cuadros de diálogo y el botón de ayuda.
Para que el programa inicie es necesario llenar los cuadros de diálogo, el número
de cámara depende del número de cámaras web conectadas en el equipo, La
interfaz identifica las cámaras conectadas al equipo desde 1 hasta el número de
cámaras conectadas, sí en el equipo en el cual correrán el programa sólo se
conectará la cámara usada en el dispositivo de identificación de ajos, colocar el
número “1”. Si el equipo llegará a tener una cámara web incluida, el indicador de la
cámara que se colocará en la interfaz será “2”.
En el cuadro de diálogo “Seleccionar COM”, se tiene que poner el número de
puerto COM que la computadora habilitó para la comunicación con el
microcontrolador Arduino UNO, los pasos para conocer en qué puerto COM está
conectado se muestran a continuación:
1) Conectar el microcontrolador Arduino UNO a uno de los puertos USB de su
computadora.
2) Abrir la ventana de Sistemas.
2.1) Dar clic derecho en “Este Equipo”.
Anexos
64
Figura 2 Paso 2.1
2.2) Dar clic izquierdo en Propiedades, se abrirá la siguiente ventana.
Figura 3 Ventana de Sistema
Anexos
65
2.3) Hacer clic izquierdo en Administrador de dispositivos; ahí aparecerán
los dispositivos conectados al equipo.
Al hacer clic en la pestaña Puertos (COM
y LTP), se mostrarán los dispositivos
conectados. El número de puerto COM del
Arduino UNO viene dado entre paréntesis
(COM3). En caso de la casilla de la
interfaz sólo es necesario colocar el
número “3”.
Con estos datos se tiene todo para llenar los cuadros de diálogo de la interfaz, si
llegará falta uno de éstos, se manda un mensaje de error pidiendo al usuario
revisar los datos proporcionados (Figura 5).
Figura 4 Administrador de dispositivos.
Anexos
66
Figura 5 Mensaje de error dirigido al usuario.
Sí los datos son correctos, la interfaz cambia a la siguiente (Figura 6).
El botón de Inicio cambia a Stop, los cuadros de diálogos se bloquean,
permitiendo sólo la visualización de los datos anteriormente proporcionados y se
hacen visibles los elementos que permiten la visualización de las imágenes.
La imagen de la izquierda muestra la fotografía tomada por la cámara, la imagen
de la derecha la salida calculada por la red, se muestra además el número de
fotografías tomadas durante el proceso.
Figura 6 Interfaz de la RNA
Sí se desea detener el programa existen dos formas:
Haciendo clic en el botón Stop.
Anexos
67
Activando el switch de Stop del circuito, el indicador de Stop del circuito se
encenderá para dar a conocer al usuario dicha condición.
Al momento de parar el programa el botón de Inicio vuelve a ser visible, y los
cuadros de diálogos se habilitan nuevamente.
Si se detiene el programa activando el switch y éste se mantiene activado el
programa no funcionará hasta que se desactive.
Cualquier otro problema que se presentará y no estuviera explicado aquí favor de
contactar en el siguiente correo electrónico:
Francisco Muñoz Bustos.
Anexo B Base de entrenamiento de la
RNA
Anexos
68
Algunas imágenes usadas como base de entrenamiento en la RNA
Anexos
69